AI基础知识（3）--神经网络，支持向量机，贝叶斯分类器

1.什么是误差逆传播算法（error BackPropagation，简称BP）？

是神经网络通用训练算法，BP算法的基础是基于梯度下降（gradient descent）的误差函数优化，梯度是基于误差对每一个权重值的梯度。因为利用了神经网络的层次结构，所以显著提高了计算效率。BP的算法工作流程大致是：先将输入样本输入给输入层神经元，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权（connection weight）和阈值（threshold）进行调整，这也是“基于误差”的思想所在，该过程迭代调整，直到训练误差达到一个很小的值。

2.如何解决误差函数中参数寻优陷入局部极小的问题？

（1）以多组不同的值初始化多个神经网络，按标准方法训练之后，取其中误差最小的解作为参数。这相当于从不同的初始点开始搜索，这样就可能陷入不同的局部最小。

（2）使用“模拟退火”（simulated annealing）技术，模拟退火每一步都在以一定的概率接受比当前更差的结果，从而有助于“跳出”局部极小。

（3）使用随机梯度下降，与标准梯度下降计算机误差精度不同，随机梯度下在计算梯度时加入了随机因素，即使陷入局部极小点，它计算出的梯度仍可能不为0，这样就有机会跳出局部极小。

3.什么是预训练（pre-training）？

由于多隐层神经网络在多隐层逆传播时，往往会“发散”（diverse）而不能收敛到稳定状态，所以采用预训练方法，训练时将上一层隐结点的输出作为输入，而本层隐结点的输出作为下一层隐结点的输入。在预训练结束后，再对整个网络进行微调（fine-tuning）。

4.什么是支持向量机（support vector machine）？

首先解释支持向量（support vector），是指距离超平面，最近的几个点使得下面公式的等号成立，他们被称为“支持向量”。

两个异类支持向量到超平面的距离称为间隔（margin），欲找到具有“最大间隔”（maximum margin）的划分超平面，也就是找到能满足上面约束条件的参数w和b，使得margin最大，这就是支持向量机（SVM）的基本型：对于二分类问题，找到一个超平面，使得margin最大。